Keuhkoahtaumataudin pahenemista sairastavien potilaiden tunnistaminen ja takaisinottoriskin ennustaminen koneoppimisen avulla

Viidesosa sairaalasta keuhkoahtaumatautien pahenemisen vuoksi kotiutuneista potilaista otetaan takaisin 30 päivän kuluessa.(1, 3, 4) Vaikka hoidot ja hoitoohjeet ovat parantuneet, ohjeiden täytäntöönpano on edelleen heikkoa.(5) Asianmukaisten standardien käyttöönotto tavallisen sairaalan työnkulun avulla on merkittäviä haasteita. Yksi suurimmista haasteista on varmistaa, että kaikki kelvolliset potilaat, joilla on keuhkoahtaumatautien paheneminen, tunnistetaan ajoissa.(6) Toinen suuri haaste on, että henkilökunta on usein liian kiireistä eikä heillä ole aikaa toteuttaa näyttöön perustuvia käytäntöjä, jotka vähentävät takaisinottoa.(6) Lisäksi intensiivistä tapauksenhallintaa ei voida tarjota kaikille rajallisten resurssien vuoksi. Siksi on tärkeää, että pystymme tunnistamaan sekä keuhkoahtaumatautia sairastavat henkilöt varhaisessa vaiheessa että ne, joilla on suuri takaisinottoriski.

Keuhkoahtaumataudin pahenemisvaiheita ei välttämättä aluksi helposti tunnisteta, ja kestää päiviä ennen kuin se ilmenee. Pahenemisoireet, kuten hengenahdistus, eivät ole spesifisiä, ja merkit, kuten rintakehän röntgenkuvat, voivat johtua yhdestä tai useammasta diagnoosista. Lisäksi keuhkoahtaumatautien pahenemisvaiheet voivat laukaista tai laukaista muut sairaudet. Tämän seurauksena ei ole harvinaista, että lääkärit ottavat hoitoon potilaita, joilla on useita väliaikaisia ​​sydämen vajaatoiminnan, keuhkokuumeen, keuhkoahtaumatautien pahenemisen ja muiden diagnooseja. Keuhkoahtaumatautien pahenemista sairastavien ihmisten erottamista hämmentävät edelleen elektroniset terveystiedot (EHR), joiden diagnooseja ei ole lueteltu koodatuiksi elementeiksi. Lopputuloksena on, että muun ammatillisen tiimin on vaikea löytää keuhkoahtaumapotilaita varhaisessa vastaanottovaiheessa. Tämä on otettu huomioon joissakin Yhdysvaltain sairaaloissa pyytämällä muita kuin terveydenhuollon tarjoajia tarkastelemaan kaavioita tunnistaakseen keuhkoahtaumatautia sairastavat potilaat(7). Vaihtoehtoinen lähestymistapa on ollut koneoppiminen ja luonnollisen kielen käsittely. Tämä on toteutettu jossain määrin menestyksellä sydämen vajaatoimintaa sairastavilla potilailla, mutta vain vähän on tehty keuhkoahtaumatautia sairastaville (13). Yhdessä pilottiohjelmassa luonnollisen kielen käsittely auttoi tunnistamaan keuhkoahtaumatautia sairastavat potilaat(7).

Jotta niukat resurssit voitaisiin kohdentaa niitä eniten tarvitseville, olisi hyödyllistä tunnistaa edelleen potilaat, joilla on suuri takaisinottoriski. Tämä olisi ensimmäinen askel määritettäessä tehokkaita strategioita takaisinottoasteen vähentämiseksi. Lääketieteellisille ja kirurgisille potilaille on kehitetty takaisinoton ennustemalleja, mukaan lukien LACE-pisteet ja SAIRAALAHANKKEET (8, 9) Valitettavasti ne, joita on tutkittu, eivät näytä menestyvän hyvin keuhkoahtaumapotilaissa.(10) Vaikka tekijöitä, jotka auttavat ennustamaan keuhkoahtaumatautien takaisinottoa, on tunnistettu, malleja ei ole täysin validoitu.(11, 12) Suorituskykyä voitaisiin parantaa käyttämällä jäsentelemätöntä dataa, kuten kliinikkojen edistymismuistiinpanoja ja kotiutusyhteenvetoja.

Keuhkoahtaumatautia sairastavien ihmisten varhainen tunnistaminen ja takaisinottoriskissä olevien tunteminen voivat parantaa terveydellisiä tuloksia. Zafar et ai. osoitti, että kattava keuhkoahtaumatautien hoitopaketti, joka koostui 1. inhalaattorin arvioinnista, 2. sopivasta inhalaattoriohjelmasta, 3. varhaisen kotiutuksen seurannasta ja 4. potilaskeskeisistä kotiutusohjeista, vähensi takaisinottoa.(14) Niiden tunnistaminen, joilla on suuri takaisinottoriski, voisi helpottaa ilmoittautumista intensiiviseen tapaushallintaan. Siksi teemme nykyisen tutkimuksen tunnistaaksemme potilaat, joille on otettu keuhkoahtaumatautien akuutti paheneminen, ja jakaa potilaat takaisinottoriskin mukaan.

Menetelmät:

Luomme Yliopiston terveysverkoston (UHN) retrospektiivisen datan perusteella tietojoukon yleisen sisätautien hakemuksista viimeisen 5 vuoden ajalta. Arvioimme tämän sisältävän noin 40 000 vastaanottoa, joista 2 000:lla on vastuullisin keuhkoahtaumatautien pahenemisdiagnoosi. Tietojoukko sisältää sekä strukturoitua koodattua dataa että strukturoimatonta tekstidataa. Koodatut tiedot sisältävät iän, sukupuolen, tilatut lääkkeet, rinnakkaissairaudet, laboratorioarvot ja keuhkojen toimintatutkimukset. Strukturoimattomat tekstitiedot sisältävät muistiinpanoja EHR:ssä: lääkärin klinikan muistiinpanot, kotiutusyhteenvedot, vastaanottodiagnoosit, edistymistiedot ja muistiinpanot allekirjoitusjärjestelmästämme.

Analyysi: Käytämme mallin kehittämiseen useita erilaisia ​​menetelmiä, mukaan lukien logistinen regressio, syvät neuroverkot ja konvoluutiohermoverkot. Tarkemmin sanottuna käytämme myös tilastollisia koneoppimisalgoritmeja tapahtumien havaitsemiseen käyttämällä kaksisuuntaisia ​​pitkän aikavälin muistin neuroverkkoja eri tulotyypeissä (esim. Fourier-suodatinpankit, Mel-taajuiset cepstral-kertoimet, aallot ja raakaääni). Käytämme myös perinteisiä menetelmiä, kuten dynaamisia Bayes-verkkoja ja ehdollisia satunnaiskenttiä. Tekstianalyysin puolella tunnistamme avainsanoja, jotka ennustavat takaisinottoa. Yksi lähestymistapa on käyttää diskurssianalyysiä erottamaan "ydinilmaukset" taustatekstistä. Rakennamme myös "yhteisiä" ennakoivia malleja, jotka yhdistävät strukturoimattoman tekstin ominaisuuksia ja strukturoidun koodatun datan ominaisuuksia. Käytämme standardia ROC-käyrän alla olevaa aluetta mallin suorituskyvyn arvioimiseen ja käytämme ristiinvalidointia minimoimaan yliasennuksen vaikutukset. Lopuksi validoimme mallimme käyttämällä tietojoukkoa eri keskuksista määrittääksemme, ovatko nämä tulokset oikeita ja yleistettävissä.

Odotetut tulokset: Kahden validoidun mallin kehittäminen EHR-tietoihin perustuen: toinen tunnistaa tarkasti AECOPD-potilaat ja toinen tunnistaa tarkasti potilaat, joilla on suuri takaisinottoriski 30 päivän kuluessa.